El objetivo de este proyecto es hacer un pronóstico del Producto Interno de Bruto de México.
Datos históricos de 1993 hasta la mitad de 2021, en trimestres
Se tiene que predecir el valor de “gdp” para los siguientes 6 trimestres.
Relación de las variables con el PIB.
Podemos ver un claro outlier en el segundo y trecer trimestre de 2020, esto ocasionado claramente por la pandemia.
Tomamos los datos a partir de 2000:
Usamos SNAIVE y drift
Utilizamos un ETS automático. Usaremos estacionalidad multiplicativa, una con tendencía aditiva (Holt Winters) y otra amortiguada (Holt Winters Damped).
Haremos un Forwards Stepwise regression:
Como podemos ver, el mejor modelo incluye todas las predictoras.
fit6 <- model(train,
dinamica = ARIMA(gdp ~ imports + gov_exp + consumption + usd + exports + unemployment + uncertainty),
dinamica2 = ARIMA(gdp ~ imports + gov_exp + consumption + usd + exports + unemployment + uncertainty + pdq(1,0,2) + PDQ(1,1,1)),
dinamica3 = ARIMA(gdp ~ imports + gov_exp + consumption + usd + exports + unemployment + uncertainty + pdq(1,1,2) + PDQ(1,1,1)))fit9 <- train2 %>%
model(
k2 = ARIMA(gdp ~ imports + gov_exp + consumption + usd + exports + unemployment + uncertainty+ fourier(K = 1) + pdq(1,1,2) + PDQ(0,0,0) + q2_20 + q3_20),
k3 = TSLM(gdp ~ imports + gov_exp + consumption + usd + exports + unemployment + uncertainty+ fourier(K = 1) + q2_20 + q3_20)
)Los mejores modelos son:
Sin embargo, viendo los gráficos, vemos que los mejores dos modelos visualmente son:
Tomando en cuenta el error, el mejor modelo fue:
Proyecto Final